arXiv:2605.22882v3 Announce Type: replace 
Abstract: Video world models can generate realistic futures from a single instruction, but they often fail to track the same physical points consistently across time. As a result, the generated videos appear plausible, yet lack the physical grounding required for reliable action execution, such as robot manipulation. We present GEM-4D, a geometry-grounded video world model that resolves this limitation by injecting dense 4D correspondence supervision distilled from a pretrained geometry foundation model into the video generative backbone during training. This supervision enables the model to jointly capture appearance and geometric structure while retaining a single-stream architecture with no additional inference cost. We further introduce an inverse dynamics module that converts correspondence-consistent video rollouts into executable robot trajectories, enabling direct deployment in both real-world and simulated manipulation. GEM-4D achieves state-of-the-art performance on both video prediction and geometric consistency across both simulation and realistic scenarios and improves real-world manipulation success from 61% to 81%. Additional results are available at https://gem-4d.github.io/.

تم تقديم GEM-4D، وهو نموذج جديد لعالم الفيديو المعزز بالهندسة، لتحسين معالجة الروبوت من خلال معالجة قيود نماذج الفيديو الحالية التي تكافح لتتبع النقاط الفيزيائية بشكل متسق على مر الزمن. يتضمن هذا النموذج إشرافًا كثيفًا على المطابقة رباعية الأبعاد من نموذج أساسي هندسي مدرب مسبقًا، مما يسمح له بإنشاء مقاطع فيديو تكون مقبولة بصريًا ومؤسسة فيزيائيًا لتنفيذ موثوق للإجراءات.

GEM-4D, un nuevo modelo de mundo de video mejorado por geometría, ha sido presentado para mejorar la manipulación robótica al abordar las limitaciones de los modelos de video existentes que luchan por rastrear de manera consistente los puntos físicos a lo largo del tiempo. Este modelo incorpora una supervisión de correspondencia 4D densa de un modelo de fundación geométrica preentrenado, lo que le permite generar videos que son tanto visualmente plausibles como físicamente fundamentados para una ejecución de acción confiable.

GEM-4D, un nouveau modèle de monde vidéo amélioré par la géométrie, a été introduit pour améliorer la manipulation des robots en s'attaquant aux limitations des modèles vidéo existants qui ont du mal à suivre de manière cohérente les points physiques au fil du temps. Ce modèle intègre une supervision de correspondance 4D dense d'un modèle de fondation géométrique préentraîné, lui permettant de générer des vidéos à la fois visuellement plausibles et physiquement ancrées pour une exécution d'action fiable.

GEM-4D, a new geometry-enhanced video world model, has been introduced to improve robot manipulation by addressing the limitations of existing video world models that struggle with consistent physical point tracking over time. This model incorporates dense 4D correspondence supervision from a pretrained geometry foundation model, allowing it to generate videos that are both visually plausible and physically grounded for reliable action execution.